Air minum memengaruhi kesehatan masyarakat dan menjadi indikator capaian SDGs ke-6. Penilaian konvensional variabel fisiko-kimia kompleks memerlukan waktu komputasi panjang. Algoritma XGBoost efisien untuk data tabular, namun dihadapkan pada ketidakseimbangan data (imbalanced data) yang memicu bias prediksi kelas minoritas (air layak minum). Selain itu, kesalahan urutan prapemrosesan berpotensi menyebabkan kebocoran data (data leakage). Penelitian ini mengevaluasi performa XGBoost menggunakan tiga teknik data balancing (ROS, SMOTE, SMOTETomek) dan optimasi GridSearchCV pada 2.011 baris data bersih Water Quality Dataset. Pengujian dilakukan melalui dua skema: Skema 1 (balancing sebelum pemisahan data) dan Skema 2 (balancing terisolasi pada data latih). Hasil eksperimen menunjukkan bahwa capaian tertinggi dari keseluruhan skema diraih oleh Skema 1 kombinasi XGBoost + SMOTETomek (Tuned) dengan F1-Score sebesar 0,7521 dan akurasi 75,22%, di mana tingginya nilai metrik tersebut dipengaruhi oleh paparan informasi data leakage. Sementara itu, Skema 2 merepresentasikan evaluasi model pada kondisi data uji murni. Pada Skema 2 kombinasi XGBoost + SMOTETomek (Tuned) menjadi model terbaik dengan Akurasi 66,50% dan F1-Score 0,652. Metode hibrida SMOTETomek terbukti paling efektif mengeliminasi data bising (noise) di sekitar garis batas keputusan (decision boundary), sementara GridSearchCV meningkatkan sensitivitas dan stabilitas pemodelan.